利用DuelQ-SeizureNet和Meta Black Ant优化算法通过脑电图信号诊断神经功能障碍以检测癫痫发作

《Journal of Neuroscience Methods》：Diagnosis of Neurological Dysfunction from EEG Signals Using DuelQ-SeizureNet and Meta Black Ant Optimization for Epileptic Seizure Detection

　　

• •
  提出了1D-CNN、BiLSTM网络以及Dueling Q-Learning算法，用于准确分类癫痫发作。
• •
  提出了基于元启发式的自适应优化方法（MBAO），用于自适应选择最佳的时间窗口大小。
• •
  旨在在最小化信息损失和计算负担的同时，有效提取特征。
• •
  提出了一种新的强化学习辅助优化方法，应用于深度癫痫检测架构中。

章节摘要

引言

神经系统疾病是一类会扰乱大脑和中枢自主神经系统功能的病理状况，从而严重影响个体的健康和生活质量（Varl?和Y?lmaz，2023）。这类疾病是全球主要的死亡原因之一，仅次于心血管疾病。其发病率正在上升，有研究预测其增长趋势十分显著

相关研究

利用EEG信号诊断神经系统功能障碍已变得极为重要，为此人们提出了多种机器学习和深度学习技术，以提高诊断系统的准确性和速度。EEG信号通常非常复杂且维度较高，传统方法难以有效处理这些问题。因此，已有不少研究尝试通过分析EEG数据来检测神经系统疾病（Narmada和Shukla，2023；Grover

提出的方法

所提出的框架采用整体性方法进行癫痫发作检测，结合了最先进的深度学习模型DuelQ-SeizureNet以及Meta Black Ant优化器。这一混合框架旨在解决利用EEG信号进行癫痫发作检测时面临的两个关键问题：精确的时间特征选择以及有效的分类。DuelQ-SeizureNet是一种更为复杂的架构，融合了先进的1D

结果与讨论

所提出的癫痫发作检测框架将应用于CHB-MIT头皮EEG数据库和Kaggle癫痫EEG数据集这两类基准数据集。这些数据集几乎涵盖了所有现实世界中的复杂场景，有助于验证DuelQ-SeizureNet模型和MBAO优化技术的性能与稳定性。CHB-MIT数据库是癫痫预测研究领域的黄金标准之一，其中包含大量的长期头皮EEG数据

意义

从临床应用的角度来看，本研究的结果有望帮助实现癫痫发作的早期、精准且即时诊断，从而更好地管理患者病情并提升神经科治疗水平。在临床环境中准确诊断癫痫发作至关重要，误诊或诊断延迟会导致治疗不当、癫痫发作频率增加以及生活质量下降。所提出的DuelQ-SeizureNet

讨论

本研究结果表明，结合深度学习、自适应优化和强化学习的方法能够大幅提升自动癫痫发作检测的性能。DuelQ-SeizureNet网络的表现始终优于其他网络，这说明与其使用固定的特征提取流程来识别癫痫发作，不如学习空间EEG表示、时间关联关系以及自适应决策策略。Dueling Q-Learning技术能够

局限性

所提出的DuelQ-SeizureNet方法在癫痫发作检测方面效果良好，但也存在一些局限性。首先，实验评估是使用CHB-MIT和Kaggle癫痫EEG这类基准数据集进行的，无法完全反映现实世界临床环境中的各种差异，比如采集设备的不同、噪声水平、患者人口统计特征以及癫痫发作的特点等。第三，1D-CNN的混合架构

结论

本文提出了一种先进的框架，整合了深度学习和优化技术，用以克服现有缺陷，实现基于EEG信号的癫痫发作检测与分类。所提出的DuelQ-SeizureNet模型结合了1D卷积神经网络、双向长短期记忆网络以及Dueling Q-Learning技术，在时空特征提取、时间序列分析等任务中展现了出色的性能

利益冲突声明

作者声明不存在任何可能影响本文研究结果的已知财务利益或个人关系。

K.Nisha Devi|P.Rajesh Kanna